《Journal of Hazardous Materials》：Satellite-based detection of asbestos-cement roofs using WorldView-3 VNIR data: an affordable evaluation tool for sustainable management of hazardous building infrastructure
编辑推荐：
本研究为解决城市环境中遗留石棉水泥（AC）屋顶这一重大环境健康风险，开发了一种基于高分辨率卫星影像（WorldView-3 VNIR数据）的高效检测方法。研究人员通过评估32种机器学习分类器，发现仅用8个可见光-近红外波段即可实现高达97.6%的多类别识别精度，并在石棉-非石棉二元分类中接近完美识别。该研究为城市规划者和公共卫生部门提供了一种成本可控、可扩展的大面积石棉屋顶监测工具，对支持发展中国家进行有害材料管理和风险优先治理具有重要实践意义。
在许多城市，特别是那些较晚实施石棉禁令的发展中地区，大量老旧建筑依然覆盖着一种看似普通却暗藏致命威胁的屋顶材料——石棉水泥（Asbestos-Cement, AC）。石棉是一组天然纤维状硅酸盐矿物的统称，曾因其优异的强度、耐久性和耐热性被广泛应用于建筑材料中。然而，当含有石棉的水泥屋顶在风吹日晒下逐渐老化、破损时，微小的石棉纤维便会释放到空气中。吸入这些纤维是导致间皮瘤、肺癌、石棉肺等多种致命疾病的明确原因，使其成为全球公共卫生领域最棘手的遗留污染物之一。因此，准确识别和定位城市中的石棉水泥屋顶，是进行风险评估、制定安全移除策略、保护公众健康的第一步。
然而，传统的现场勘查方法不仅成本高昂、耗时费力，更难以实现大范围的快速普查。近年来，遥感技术结合机器学习，为从天空“俯瞰”并识别这些危险屋顶提供了可能。但现有研究大多依赖高光谱影像或结合了短波红外（SWIR）的多光谱数据，这些数据虽然光谱信息丰富，但价格昂贵、数据量大，处理起来对计算能力要求高，在数据获取能力和预算有限的地区推广困难。这就引出了一个关键问题：能否用更常见、成本更低的卫星数据，实现同样可靠的石棉水泥屋顶检测？
为了回答这个问题，由Manuel Saba、Oscar Coronado-Hernández和Ciro Bustillo-LeCompte组成的研究团队，在哥伦比亚卡塔赫纳的城区开展了一项创新性研究。他们独辟蹊径，将目光投向了WorldView-3卫星的八个可见光-近红外（VNIR）波段数据。与通常使用的包含SWIR波段的全套16波段数据相比，仅使用VNIR波段能显著降低数据复杂度、体积和获取成本。研究人员设定了两个目标：一是评估仅用WorldView-3 VNIR影像进行石棉水泥屋顶检测的可行性；二是比较多类别分类与二元分类的效果，探索简化问题是否能进一步提升检测性能。他们的研究成果发表在国际知名期刊《Journal of Hazardous Materials》上，为城市有害建筑材料管理提供了一个既高效又经济的解决方案。
为了开展这项研究，研究人员综合运用了高分辨率卫星遥感、无人机（UAV）实地验证以及大范围机器学习模型评估等关键技术方法。首先，他们获取了卡塔赫纳城市区的WorldView-3卫星VNIR波段影像（空间分辨率1.2米）。研究样本队列来源于对该区域的系统采样，他们通过无人机航拍进行实地核查，为1000个地面采样点标注了真实的屋顶材料类别，共分为五类：石棉水泥（AC）、粘土瓦（C）、道路与其他（R&O）、钢材屋顶（S）和植被（V）。随后，他们设计了一个涵盖八种方法论家族的32种有监督机器学习分类器进行评估，并在MATLAB环境中实施了严格的训练-验证-测试流程（75%训练验证，25%独立测试），以综合的宏F1分数等指标来评判模型性能。
结果与讨论
1. 多类别材料分类中Fine KNN模型表现最佳
在将所有五类材料（AC、C、R&O、S、V）分开识别的多类别场景下，研究评估了所有32个分类器的性能。结果表明，基于距离的K近邻（KNN）方法和基于核的非线性学习策略表现最为出色。其中，精细K近邻（Fine KNN）模型在独立测试集上取得了最高的宏F1分数，达到97.6%。这意味着该模型在均衡考虑所有五类材料的情况下，展现出了卓越的分类判别能力。混淆矩阵分析进一步显示，在测试阶段，Fine KNN模型对石棉水泥（AC）和植被（V）的识别达到了100%的准确率，对其他材料如粘土瓦和钢材屋顶也有92.5%至95%的高准确率。这证实了仅凭八个VNIR波段，完全能够清晰地区分出石棉水泥屋顶与其他常见的城市表面材料。
2. 二元分类中Subspace KNN实现近完美检测
当研究目标简化为仅区分“石棉水泥”（AC）和“非石棉水泥”（非AC）两大类时，几乎所有模型的性能都得到了进一步提升。其中，子空间K近邻（Subspace KNN）模型表现最为稳健和突出。在测试集上，该模型对石棉水泥屋顶的识别准确率为100%，对非石棉水泥类别的识别准确率也高达98.7%，整体判别能力接近完美。这一结果明确显示，将复杂的多类别问题简化为有针对性的二元检测任务，可以显著降低光谱重叠的干扰，从而更容易实现极高精度的目标识别，这非常适合于以石棉排查为核心的专项监测行动。
3. 特征归因揭示近红外波段是关键
研究人员通过沙普利（SHAP）重要性分析，深入探查了模型做出分类决策的依据。分析发现，无论是多类别的Fine KNN还是二元的Subspace KNN模型，其决策最主要依赖于红边区（B6: 725 nm）和近红外区（B7: 832.5 nm, B8: 950 nm）的光谱反射率差异。具体而言，石棉水泥屋顶在近红外波段表现出特有的反射衰减特性，而植被则有极强的近红外反射，其他材料则在可见光到红边波段有不同表现。这一分析从原理上证实了分类结果并非统计巧合，而是基于不同材料真实、可解释的光谱特征，从而增强了整个方法可靠性。
4. 降低类别复杂度可大幅提升计算效率
除了精度，该研究还系统评估了不同模型的计算效率，包括预测速度和训练时间。一个重要的发现是，从五类分类简化到二元分类后，大多数模型的预测速度得到显著提升，处理时间减少。这表明，在追求大规模城市甚至区域级应用时，采用针对性更强的二元分类框架，不仅能在精度上达到极致，还能在计算资源有限的情况下，更高效地处理海量卫星影像数据。
结论与意义
本研究成功地证明，仅使用高分辨率卫星的可见光-近红外（VNIR）波段数据，结合轻量级的机器学习模型，完全可以实现城市环境中石棉水泥屋顶的高精度、可靠识别。Fine KNN模型在多类别材料制图、以及Subspace KNN在靶向石棉检测中的卓越表现，为解决这一环境健康难题提供了两种侧重点不同的实用工具。
这项研究的核心意义在于其“高性价比”的创新路径。它主动放弃了对昂贵、难获取的高光谱或短波红外（SWIR）数据的依赖，转而充分利用更常见、成本更低的商业卫星VNIR数据。尽管SWIR波段包含石棉矿物的诊断性吸收特征，但其空间分辨率较粗（WorldView-3的SWIR为3.7米），在建筑密集、屋顶细碎的城区容易造成光谱混合，影响识别精度。本研究采用的VNIR数据拥有1.24米的更高空间分辨率，能更好地刻画单个屋顶的细节，再通过先进的机器学习算法（如KNN）弥补光谱维度的减少，最终实现了不逊于甚至优于部分传统方法的检测精度。
从应用角度看，该研究为全球许多正在应对遗留石棉问题、特别是资源有限的发展中国家和地区，提供了一个强大的技术支持。城市规划部门、环境保护机构和公共卫生当局可以利用这套方法，以可承担的成本，快速绘制出城市尺度的石棉水泥屋顶分布图。这将极大有助于科学评估人群暴露风险、优化巡检和修缮的优先级、合理规划拆除替换项目，从而系统性地降低石棉纤维对空气、土壤和水体的环境污染，保障公众健康。最终，这项工作将先进的遥感与机器学习技术，转化为了一种民主化、可操作的决策工具，为实现危险建筑材料的可持续管理迈出了坚实的一步。
